Заметки о глоттохронологии

[Mihailov]

В языке мы не можем определить момент, когда произошла замена

С точностью до года не можем. А с точностью 10-20 лет внутренний наблюдатель сможет определить. В 50-х годах вместо "фильм" говорили "картина". А в 70-х годах слово "картина" применительно к фильму редко можно было услышать, обычно говорили "фильм". Значит, датируем замену 60-ми годами.

[Mihailov]

Если же взять не язык, а конкретный диалект, то может получиться ситуация, когда уже заменённое слово возвращается назад, причём в синхронно регулярном виде.

Дело усложняется, но не драматично. Существуют рядом диалекты, различаются немного по стословнику, происходят иногда замены то на сближение, то на расхождение. Началом разделения считаем момент, когда начинается устойчивая динамика на расхождение. Точный год тут не укажешь, но столетие, наверно, указать можно.

[Mihailov]

А что читатели темы думают о калибровочных данных по литературным языкам? Ведь должна же быть экспонента?

Я не совсем понял, о чем это вы. Какая величина должна изменяться по экспоненте?

[Alone Coder]

Кино - это всё-таки культурный термин с централизованным распространением. А такие новые явления, которые не успели стандартизировать, как небоскрёбы, подъезды, вешалки для одежды, сотовые телефоны, панельки под микросхемы, файловые директории называются везде по-разному. Даже и старые. Рекорд, наверно, принадлежит растению алтей.

[Mihailov]

Кино - это всё-таки культурный термин с централизованным распространением. А такие новые явления, которые не успели стандартизировать...

Про туалет вы, наверно,не скажете, что это культурный термин с централизованным распространением. Или новое явление, которое не успели стандартизировать.
До войны и первое время после войны говорили не "туалет", а "уборная". В 70-х годах уже решительно преобладало "туалет". Опять датируем замену 50-ми или 60-ми годами.

[Tibaren]

Началом разделения считаем момент, когда начинается устойчивая динамика на расхождение.

А если динамики нет, скажем, два эквивалентных термина употребляются эквидистантно?

[Bhudh]

А что сейчас чаще употребляется, автозаправка или бензоколонка?

[Wolliger Mensch]

А что сейчас чаще употребляется, автозаправка или бензоколонка?

И беседы:

— Сейчас заеду тут, подожди.
— А что случилось?
— Да вот.
— А.

Вот так называется сейчас бензоколонка.

[Mihailov]

А если динамики нет, скажем, два эквивалентных термина употребляются эквидистантно?

Если динамики нет, то и расхождение не началось. Только динамику смотрим не по двум терминам, а по всему стословнику.

[Mihailov]

А что сейчас чаще употребляется, автозаправка или бензоколонка?

По-моему, чаще употребляется "заправка".

[Bhudh]

Картриджей?

[Wolliger Mensch]

Картриджей?

Буд, не усердствуйте. Выражение заехать на заправку не употребляется в других значениях. Иное вам придётся слушателю специально объяснять, а потом лицезреть вот такое выражение:

[Lodur]

А что сейчас чаще употребляется, автозаправка или бензоколонка?

По-моему, чаще употребляется "заправка".

Мне кажется, или большинсво людей все же различает автозаправку

и бензоколонку

?
(Не то, чтобы я не слышал, чтобы первое называли вторым, и наоборот, но всё же...)

[Wolliger Mensch]

Мне кажется, или большинсво людей все же различает автозаправку

Различают. Равно как отличают колонку от процесса заправки автомобиля.  Только практического смысла такие различения не имеют, поэтому оба слова обозначают всё учреждение с колонками, из которых заправляют машины.

[Tibaren]

Да, бензоколонки, безусловно, относятся к базовой лексике.

[yurifromspb]

Я не совсем понял, о чем это вы. Какая величина должна изменяться по экспоненте?

Извиняюсь, что не прореагировал.
Так всё та же величина - доля незаместившихся слов. Данные по литературным языкам говорят, что есть какая-то глобальная неоднородность по времени.

[Mihailov]

[ Данные по литературным языкам говорят, что есть какая-то глобальная неоднородность по времени.

Можно расшифровку этих точек в виде цифровой таблицы? Или ссылку на таблицу. Я хотел бы посмотреть, что это за языки, чьи данные, и как с этими точками согласуется простая функция Сводеша, а не только функции Старостина и Васильева.

[yurifromspb]

Можно расшифровку этих точек в виде цифровой таблицы? Или ссылку на таблицу. Я хотел бы посмотреть, что это за языки, чьи данные, и как с этими точками согласуется простая функция Сводеша, а не только функции Старостина и Васильева.

Данные из статей Васильева и Старостина. Из Васильева прямо табличку взял, из Старостина выдирал данные из текста (заимствования выбрасывал, процент считал так: "число замен" / (100 - "число заимствований")). Табличку прилагаю.

Картинка воспроизводится на языке R так:

Код Выделить Развернуть


x <- c(0.3,0.5,0.5,0.5,1.1,1.1,1.2,1.2,1.2,1.5,1.5,1.5,2.6,3,3,3,1.2,2.7,1.1,1.2,1.6,1.6,1.6,2.3,2.3,2.3)
y <- c(0.97,0.95,0.94,0.96,0.95,0.87,0.89,0.91,0.94,0.82,0.86,0.89,0.78,0.66,0.69,0.77,0.93,0.77,0.87,0.94,0.89,0.90,0.87,0.77,0.81,0.80)

fitvas = nls(y~c+(1-c)*exp(-l*x)*(1+l*x),start = list(c=0.5,l=0.4))
fitvas0 = nls(y~exp(-l*x)*(1+l*x),start = list(l=0.4))
fitstar = nls(x~sqrt(-log(y)/(l*y)),start = list(l=0.05))

new = data.frame(x = seq(0,max(x),len=200))
xcont = data.frame(y = seq(min(y),1.0,len=200))

plot(x,y,xlim = c(0,3),ylim = c(0.4,1),xlab = "time, ky",ylab = "x")
lines(new$x,predict(fitvas,newdata=new),col="blue")
lines(new$x,predict(fitvas0,newdata=new),col="green")
lines(predict(fitstar,newdata = xcont),xcont$y,col="red")


[Mihailov]

Может, есть глобальная неоднородность во времени, а может, и нет. Не могу судить, так как не располагаю достаточным количеством надежных данных. На вашем графике я вижу 24 точки, но реально их меньше, так они отчасти продублированы.  Мне удобнее смотреть неоднородность не на графике, а по табличным данным. Если есть неоднородность, то она должна проявляться в вариации лямбды, которая вычисляется по сохранению лексики.
В табличке я свел данные Васильева и добавил данные Старостина по скандинавским и по латыни. Получил 11 точек. Многие из этих точек представляют среднее по семейству родственных языков или диалектов, но, может быть, так корректнее.

1) Язык;   2) Период, тыс. лет   ; 3) Середина интервала, от н.э.; 4) Сохранение лексики; 5)  λ; 6) Ожидаемое сохранение при λср=0.093 Корейские д-ты   0.5   1750   0.95       0.103   0.95 Белорусский           0.6   1700   0.985   0.025   0.95 Скандинавские   1.0   1500   0.95       0,05   0.91 Немецкий            1.1   1450   0.95       0.047   0.90 Английский           1.1   1450   0.87       0.127   0.90 Японские д-ты   1.2   1400   0.91       0.079   0.89 Романские            1.5   1250   0.86       0.105   0.87 Тюркский (от рунического до караханидского)                             0.3   800           0.97       0.102   0.97 Греческий           2.6   700           0.78       0.096   0.79 Китайские д-ты   3   500           0.69       0.113   0.76 Латынь                   0.8   100           0.87     0.178   0.93

Вроде бы есть тенденция – чем раньше эпоха, тем выше скорость замен, но не слишком убедительная. Корреляция лямбды с серединой интервала равна -0,70.  Вроде высокая, но при 11 точках ее уровень значимости 0,05. Это значит, что зависимость не доказана, но следует обратить внимание. Можете сравнить ожидаемое сохранение с наблюдаемым – везде различие в пределах случайного отклонения.
Но  если зависимость есть, то не обязательно в старые времена замены случались чаще. Возможны и другие объяснения.
1) На больших интервалах времени генетическое родство может затираться из-за фонетических изменений. Поэтому может отмечаться больше замен, чем на самом деле.
2) На малых интервалах времени (а такие случаи в основном относятся к эпохе, близкой к современной), когда сравниваются близкие состояния языка, возможно завышение числа совпадений. Некоторые замены можно прозевать, например, случившуюся в 19 веке замену слов «худой» и «дурной» на «плохой». Были все эти слова в языке раньше, остались и сейчас, вот и кажется, что замены не было. И не обращают внимание на частоту и характер употребления. По этой же теме процитирую Сводеша:
«Арндт, производя подсчеты в германских языках, сделал следующее заключение относительно предыдущих подсчетов: «В них (в этих подсчетах) ощущается постоянное стремление находить больше родственных элементов, чем это допускает строгий анализ». Приводимый им процент для шведского языка равен 79,7% вместо 85,4%, для немецкого—82,0% вместо 85,4%, для английского—67,8% или 74,8% вместо 76,6%. Поскольку Арндт имел возможность посвятить этому вопросу больше времени и внимания, чем Лиз и его коллеги, и поскольку он подошел к решению своей задачи с самых строгих позиций, есть все основания предполагать, что его данные более точны, чем данные его предшественников.
Однако автор во время подготовки настоящей статьи не располагал записями Арндта и поэтому был вынужден пользоваться старыми подсчетами. Это очень досадно, так как именно с немецким и шведским языками связано значительное отклонение, которое обнаруживается при исследовании.»

[Mihailov]

Остается еще вопрос о надежности данных. Сравним данные по китайскому языку Старостина и Сводеша (1955).
По Старостину, за последние 2600 лет произошло 23 замены в 100-словном списке, С=0,77. По Сводешу, за 1000 лет (950-1950) в 92-словном списке произошло 17 замен при 3 сомнительных случаях, С=72/89=0,809.
Из 3-х сомнительных случаев Сводеша в 2-х случаях Старостин увидел замену. У обоих авторов совпадает 11 замен. Если верить им обоим, значит, эти замены случились с 950 до 1950 г. У Старостина есть 10 замен, которых нет у Сводеша. Значит, они случились от -600 г. до 950 г., если оба правы. Тут получается обратная ситуация по сравнению с моим предыдущим примером с латынью: в более раннюю эпоху замены случались реже. И, наконец, у Сводеша есть 7 замен там, где у Старостина засчитано совпадение. Тут уже не  могут быть оба правы. Чьи данные надежнее – непонятно.
Теперь сравним их по румынскому языку. Оба сравнивают румынский с классической латынью, только Старостин датирует ее несколько раньше (-300 г.), чем Сводеш (-200 г.).
По Старостину, случилось 24 замены в 100-словнике, включая заимствования (а также и в 92-словнике). По Сводешу, случилось 26 замен в 92-словнике при 2-х неясных случаях. Один из неясных случаев Старостин засчитал как замену. Общих замен у обоих авторов 19, у Старостина 4 замены, которых нет у Сводеша, у Сводеша  7 замен, которых нет у Старостина. Расхождение по 11 словам. В 6-ти этих случаях решение зависит от выбора синонимов, а в 5-ти случаях надо выбирать между случайным совпадением и затертым исконным сходством.
То есть сравнение списков – дело тонкое, тут надо четко следовать четким инструкциям, особенно при выборе между синонимами, а то можно запросто ошибиться на несколько пунктов.

[Tibaren]

Из 3-х сомнительных случаев Сводеша в 2-х случаях Старостин увидел замену. У обоих авторов совпадает 11 замен. Если верить им обоим, значит, эти замены случились с 950 до 1950 г.

Погрешность в 1000 лет - не многовато ли для столь точной науки, как глоттохронология?

[Mihailov]

Погрешность в 1000 лет - не многовато ли для столь точной науки, как глоттохронология?

Вы не поняли. 1000 лет - это не погрешность, а заранее заданная длина временного интервала.

[Tibaren]

Погрешность в 1000 лет - не многовато ли для столь точной науки, как глоттохронология?

Вы не поняли. 1000 лет - это не погрешность, а заранее заданная длина временного интервала.

То есть, метод Васильева-Старостина априори допускает временные лакуны в 1000 лет? И да, таки кому верить в пракитайских и прасеверокавказских реконструкциях, одному Старостину?

[Mihailov]

Это не лакуна, а период, в котором подсчитываются замены. Берется современный язык и язык тысячелетней давности, подсчитывают, насколько словари различаются, сколько слов сохранилось и сколько заменилось.

[yurifromspb]

Про надежность данных.
Я опасался чего-то такого. Если есть такая свобода в определении числа замен, то про вид зависимости говорить нечего. Не говоря уж о том, что автор может сознательно или бессознательно подогнать данные под свои идеи.
Про зависимость лямбды от времени.
Ну, с достоверностью 95% (а разве не с большей, как вы считали?) отвергнуть гипотезу о нулевой корреляции - это не так плохо. Впрочем, да, дело скользкое.
Кстати, посмотрите, у вас лямбды неверно посчитаны.

Код Выделить Развернуть


        Mih  -log(x)/t
kor   0.103 0.10258659
bel   0.025 0.02518940
scand 0.050 0.05129329
nem   0.047 0.04663027
angl  0.127 0.12660188
yap   0.079 0.07859223
rom   0.105 0.10054859
turk  0.102 0.10153069
grek  0.096 0.09556206
kit   0.113 0.12368789
lat   0.178 0.17407758


С правильными лямбдами коэф. Пирсона = -0.7194111
p-value = 0.01257

Код Выделить Развернуть

cor.test(tm,lest)

Pearson's product-moment correlation

data:  tm and lest
t = -3.1072, df = 9, p-value = 0.01257
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
-0.9215745 -0.2102868
sample estimates:
       cor
-0.7194111

Код на R для работы с вашими данными:

Код Выделить Развернуть

orig <-
"lang    time  mid    cons       l       exp
kor     0.5   1.750   0.95       0.103   0.95
bel     0.6   1.700   0.985      0.025   0.95
scand   1.0   1.500   0.95       0.05    0.91
nem     1.1   1.450   0.95       0.047   0.90
angl    1.1   1.450   0.87       0.127   0.90
yap     1.2   1.400   0.91       0.079   0.89
rom     1.5   1.250   0.86       0.105   0.87
turk    0.3    .800   0.97       0.102   0.97
grek    2.6    .700   0.78       0.096   0.79
kit     3      .500   0.69       0.113   0.76
lat     0.8    .100   0.87       0.178   0.93"

orig <- read.table(textConnection(orig),header = TRUE)


t  <- orig[["time"]]
tm <- orig[["mid"]]
tb <- tm - 0.5*t
te <- tm + 0.5*t
x  <- orig[["cons"]]
l  <- orig[["l"]]
lest <- -log(x)/t
xp <- orig[["exp"]]


Про погрешность.
В общем, биномиальное распределение при 100 испытаниях действительно даёт большую дисперсию, тут всё очевидно.
На мой взгляд, имеющиеся данные вообще не позволяют судить о виде зависимости. Я попробовал подогнать прямой, экспонентой, формулой Васильева - по RMSD отличия небольшие. Лучше всего, кстати, подгоняет обычная прямая ( ). Не знаю, о чём тут говорить. Получается, что все эти подгонки ничего не дают. А с формулой Васильева - хохма получается. Она даёт лучшую подгонку, только если добавить праязыки, а так - не лучше других. Здесь было недопонимание с моей стороны. Надо смотреть заново.

В итоге, что получается, чтобы продвинуться дальше, нужно делать ревизию списков Сводеша, самому собирать данные для анализа?

P.S.
Кстати, а зачем вы λср считаете как среднее арифметическое? Имеет смысл её определять или из наименьших квадратов (0.1011, если в обычных координатах, 0.1039 если из линейной регрессии в логарифмических) или методом наибольшего правдоподобия (0.0968, если я правильно это сделал).